论文部分内容阅读
本文结合JTIDS信号特点,研究了支持向量机、聚类和神经网络三种常用的分类算法在JTIDS信号用户分选中的应用,分析并比较了其分选性能。在此基础上,针对用户类别数目已知和未知两种情况,研究并设计了JTIDS信号用户分选分类器方案并实现了软件平台。主要完成工作如下：1、研究了基于支持向量机的JTIDS用户分类器。详细探讨了几种支持向量机的变形算法,通过对其性能的分析与比较,确定LS-SVM为基于SVM的JTIDS用户分类器较优分类算法。并结合JTIDS信号的多用户特点,以LS-SVM为例研究了SVM多类分类算法。2、研究了基于聚类的JTIDS用户分类器。结合JTIDS信号的实际情况,讨论了基于K-means的分类算法,针对其聚类数目和初始聚类中心不易确定的缺点进行了改进,改进型算法能够自适应地确定聚类个数以及初始聚类中心,避免了在聚类数目选取上存在的主观性以及初始划分的盲目性。另外,还对SVC算法进行了研究,通过对几种分类算法的分析确定了分选性能相对较好的改进型K-means分类器。3、研究了基于神经网络的JTIDS用户分类器。在分析RBFN算法的基础上,针对其隐含层节点数目、径向基中心位置、隐含层中心宽度以及权值不好确定的缺点给出了K-means与RBFN相结合的算法——K-RBFN,该算法利用K-means确定RBFN中的参数,进而利用RBFN算法进行分类。此外,对SOFM算法进行了探讨,综合SOFM和LS-SVM的优点,给出了SOFM-SVM整合算法,并利用改进型SD有效性函数确定SOFM中的聚类数目,使其更好地应用于本课题中,改进之后的分类性能有较大提高。4、在对几种分类器性能进行分析研究的基础上,针对用户类别数目已知和未知两种情况分别设计了JTIDS用户分选分类器方案,利用VC++搭建了软件测试平台,验证了该方案的可行性。最后,对本课题所做工作进行了总结,对研究过程中的不足和需改进之处进行了说明,并对后续工作进行了展望。